基于MRI的腦出血家兔腦脊液變化定量分析

徐 林，陳明生，孫 建，金 貴，張海生，寧 旭，許 佳，王 鳳，莊 偉，白澤霖，秦明新

（陸軍軍醫(yī)大學生物醫(yī)學工程與影像醫(yī)學系電子工程學教研室，重慶 400038）

0 引言

腦脊液是一種無色透明的液體，在蛛網膜下腔、腦室和脊髓中央管間循環(huán)流動，其具有保護大腦免受外部輕微撞擊帶來的損傷、為中樞神經系統(tǒng)提供營養(yǎng)以及穩(wěn)定顱內化學調控等作用。大多數情況下，許多神經紊亂（如腦水腫和阿爾茨海默癥）會影響腦脊液的體積和壓力，因此不論在臨床上還是科學研究中，監(jiān)測、分析和研究腦脊液的變化都十分重要[1]。

而目前還缺乏在體量化分析腦脊液的方法。文獻[2] 利用三維速度編碼梯度回波相位對比成像來評估人腦內腦脊液的流動情況；文獻[3] 提出了一種常規(guī)的MRI計算機數值化分析方法評估和診斷自發(fā)性脊髓腦脊液漏出癥（spontaneous spinal cerebrospinal fluid leaks，SSCFL）；因為腰骶腦脊液體積影響脊髓麻醉的臨床反應，一些學者研究了基于MRI的腰骶腦脊液體積估算，文獻[4] 利用了一種基于閾值的區(qū)域增長算法評估腰骶腦脊液體積；文獻[5] 研究了量化分析腰骶腦脊液和顱內腦脊液時的閾值選擇標準。

上述腦脊液評估和量化的方法大多數是針對人腦的。在研究動物模型腦脊液對腦出血檢測[6-7]的影響時，出血和腦脊液的變化希望能夠同步進行觀測，這使得量化分析動物模型顱內的腦脊液變化非常重要。但是觀測和量化動物模型顱內的腦脊液不同于人腦。首先，動物大腦的結構不同于人腦；其次，動物的腦組織在MRI圖像上亮度和對比度都不同于人腦，并且動物腦組織圖像的尺寸和分辨力不同于人腦；最后，大多數MRI處理算法都是針對人腦開發(fā)的且沒有在動物上進行測試。當前也出現(xiàn)了一些針對動物模型的基于計算機輔助的圖像分析技術。為分析家兔大腦的神經發(fā)育，文獻[8] 建立了基于圖譜的家兔腦組織MRI自動分割方法，但在該分割方法中腦脊液并未被單獨分割出來；文獻[9] 構建了一種針對小型動物的肺感染疾病的自動肺部圖像分析框架；文獻[10] 基于在相似性傳播聚類框架內利用灰度相似性度量，提出了一種最優(yōu)閾值選擇方法，并應用于基于PET圖像分割的小型動物肺結核的量化分析中。

本課題組在研究基于磁感應相移（magnetic induction phase shift，MIPS）[6，11-14]非接觸檢測家兔腦出血模型時，希望獲得MIPS信號與家兔顱內主要組織（特別是腦脊液，因為腦脊液在顱內主要組織中的電導率最高）間的關系。針對這一目的，需要對家兔腦出血模型中的腦脊液體積進行量化，并描述腦脊液體積隨著腦出血進程發(fā)展而變化的過程。然而當前還缺乏針對家兔的準確腦脊液量化方法，且上述關于動物模型的計算機輔助圖像分析技術[8-10]也難以滿足這一要求。

本文通過結合馬爾科夫隨機場（Markov random field，MRF）和模糊聚類（fuzzy clustering method，F(xiàn)CM）建立一種新的圖像分割算法[15-16]。該方法中，F(xiàn)CM被用來提取和利用圖像中的灰度信息，MRF被用來提取和利用圖像中的空間信息和抑制噪聲給圖像處理帶來的干擾。

1 方法

1.1 家兔腦組織MRI圖像中的腦脊液分割

首先，通過自動選取待分類類別數目以取得更準確的腦脊液量化結果；然后，通過該分割算法獲得潛在的腦脊液區(qū)域，并與已經準備好的對應家兔腦脊液模板做掩碼獲得最終準確的家兔腦脊液區(qū)域；最后，通過家兔腦脊液分割區(qū)域結合MRI成像參數計算得到該家兔腦脊液體積的量化結果，量化分析流程如圖1所示。

圖1 MRI圖像處理和腦脊液量化計算步驟

MRI圖像中包含了2種重要信息：亮度信息和紋理信息。其中像素自身灰度值代表了該點亮度信息，反映了該點物理屬性；像素與鄰域內相鄰像素構成了紋理信息。分割就是充分利用上述信息實現(xiàn)圖像中相似性質區(qū)域的提取。對于亮度信息，不同組織在MRI圖像中有不同的亮度，分析利用亮度值并基于亮度值進行分類的方法有很多，如直方圖、混合高斯模型以及FCM等。對于紋理信息，在MRI圖像中，當前點的屬性不僅由自身亮度決定，還由周圍相鄰像素決定。如果周圍都是類別A，那么當前像素將有極大概率屬于類別A。MRF是對圖像中鄰近像素間相互影響建模的強有力工具，它可以充分利用圖像自身包含的紋理信息進行圖像分割。

本文建立了一個結合FCM和MRF的MRI圖像分割方法[17-22]：在最大后驗概率馬爾科夫隨機場（maximum a posteriori Markov random field，MAP-MRF）理論框架下，定義空間約束勢能函數，進一步引入FCM隸屬度信息提高分割性能。此外也對原始圖像進行多尺度分解，從其中的低頻圖像提取FCM隸屬度信息，進一步減輕噪聲干擾和提高魯棒性。

MRF理論提供了一個便利和一致的方式使得能夠對上下文依賴關系建模，如圖像的相鄰像素以及相關特征[23]。MAP-MRF框架由Geman等[24]提出用來解決圖像統(tǒng)計分析問題。對于圖像分割問題，可以看作為標簽問題。通過求取標簽問題的最大后驗概率估計獲得最終的分割結果。

對于二維圖像（高度M、寬度N）定義二維網格：

對于二維網格S，元素i的鄰域像素定義為以i為中心為半徑的圓以內的像素。定義像素i的鄰域像素集合Ni：

其中，pixeli和pixeli'分別表示圖像中的第i和第i'個像素。

S中的基團c定義為S的子集。單點基團表示為c={i}，雙點基團表示為c={i，i'}，三點基團表示為c={i，i'，i''}（i，i'，i''∈S，且彼此相鄰）。所有單點基團、雙點基團和三點基團的集合表示為C1、C2和C3，所有的基團為 C=C1∪C3∪C3…

在MAP-MRF框架內，MRI圖像分割問題可以轉換為標簽問題。如在腦組織MRI圖像分割中將白質、灰質、腦脊液等分別賦予不同的標簽。MRI圖像中的每個像素標簽的聯(lián)合概率通過MRF建模，聯(lián)合概率表示為

其中，fi（fi=fM×N）為第i個像素在相應標簽下的概率。依據Hammersley-Clifford理論：

其中，Z和T是常數；d（d=d1，d2，…，dM×N）為觀測值；U（f|d）為能量函數，表示為

能量函數是基團勢能函數Vc（f|d）在c中所有可能的基團的和。由此，原始的圖像分割問題或標簽問題表示為

其中，P（f）為圖像中的每個像素標簽的聯(lián)合概率，U（f）為能量函數，f為分割標簽，argmax為取最大值，argmin為取最小值。

如果在所有基團上進行計算求解標簽，計算量將十分巨大。實際上，在大多應用中僅在單點基團和雙點基團上進行計算?；蛘哒f，通常采用二階鄰域系統(tǒng)，像素i的標簽僅由像素i自身及其鄰域像素集合Ni={pixeli'∈S|[dist（pixeli'，pixeli）]2≤2，i'≠i}決定。這時，上述模型也稱作auto-model[20]。

本文中，定義MAP-MRF下的勢能函數：

其中，VC1（fi，di）是在單點基團上的勢能函數，VC2（fi，fi'）是在雙點基團上的勢能函數，所有相鄰像素點都包含在雙點基團中并被計算勢能函數。

1.1.1 單點基團勢能函數

單點基團勢能函數從像素i自身為其分割提供支持信息，主要是利用圖像的灰度信息為分割提供支撐。本文中，主要是通過FCM隸屬度從像素i提取支持信息。本文中單點基團勢能函數定義為

其中，λ1和λ2是系數，Ucoarse為隸屬度矩陣。

（1）在原始圖像上的單點基團勢能函數。

單點基團勢能函數定義為

其中，ui，j是像素i屬于類別j的FCM隸屬度。Lk是類別標簽，k={1，2，3，4}，L={BG，GM，WM，CSF}，BG、GM、WM和CSF分別表示背景、灰質、白質和腦脊液。

（2）在低頻圖像上的單點基團勢能函數。

對原始圖像進行小波變換并提取低頻圖像，在該低頻圖像上應用FCM產生另外一個FCM隸屬度矩陣Ucoarse，以進一步抑制噪聲帶來的影響。

其中，μcoarse是模糊隸屬度矩陣Ucoarse中的元素。

1.1.2 雙點基團勢能函數

雙點基團勢能函數從像素i的相鄰像素為像素i的分割提供決策支持信息，以充分利用圖像的空間信息為分割提供支撐。本文中雙點基團勢能函數定義為

其中，λ3和 λ4是系數。

（1）基于相鄰像素FCM隸屬度的勢能函數。

基于空間一致性假設，每個像素值都應該與其鄰近像素的值接近，如當前像素屬于某一類別，其隸屬度也應該與它相鄰像素的隸屬度一致。定義相鄰像素隸屬度的勢能函數為

其中，Ni是像素i的鄰域像素集；abs（·）是求絕對值函數；di，i'是像素i和它的鄰域像素i'間的距離，并且作為權重反映了不同距離的鄰域像素帶來的不同影響。

（2）針對鄰域像素類別的勢能函數。

當前像素i最有可能與其相鄰像素屬于同一類別，或者說像素i有最大概率與它的相鄰像素屬于同一分割區(qū)域，因此定義針對鄰域像素類別的勢能函數為

其中，Ii是像素i的灰度值，Li是像素i的標簽（或類別）。

1.2 腦脊液分割結果的掩碼處理

在家兔腦部MRI成像過程中，因為口腔、食道里的唾液以及其他顱內在MRI圖像上成像灰度接近腦脊液的組織會使得分割結果中包含這些組織對應的區(qū)域，從而影響分割準確度。在通過1.1章節(jié)所述的圖像分割算法獲得潛在腦脊液區(qū)域后，需要再與預先建立的家兔腦脊液模板圖像進行掩碼處理以獲取精確的腦脊液分割結果。

本研究所用的家兔腦脊液模板庫是先由圖像自動分割提取腦脊液，然后由專家人工修正并劃定腦脊液大致存在區(qū)域得到的。模板庫中，每一個切片對應一個原始圖像IT和一個腦脊液區(qū)域劃定好的圖像IM。

圖像配準和掩碼處理過程：首先，將待處理圖像IO與模板庫中對應的切片圖像IT配準，并將配準參數θ（R）保存。圖像配準有剛性配準和非剛性配準，在配準精度上有的已經發(fā)展到亞像素級配準，但這里所用到的配準可以只涉及剛性配準，并且對配準精度要求不高。然后，將待處理圖像利用1.1章節(jié)所述的圖像分割算法進行分割，得到所有的候選腦脊液區(qū)域IP。最后，將IP與和IT對應的IM結合配準參數θ（R）進行掩碼，得到僅包含腦脊液的圖像IC。圖像配準和掩碼處理流程如圖2所示。

圖2 圖像配準和掩碼處理流程

1.3 圖像分割類別數的確定

目前，在針對人腦的MRI圖像自動分割算法中，通常是將圖像自動分割為背景、白質、灰質和腦脊液4個類別。但本課題組發(fā)現(xiàn)針對兔腦的MRI圖像自動分割和腦脊液提取實驗分為4個類別并不能得到最準確的腦脊液提取結果，因此設計了FCM分割類別自動選取方法，如圖3所示。

圖3 自動確定類別數量流程

2 實驗和結果

實驗步驟：首先，制作家兔腦出血模型，并在腦出血過程中進行MRI成像，獲得腦出血不同階段的家兔腦組織MRI圖像；其次，對MRI圖像分割得到家兔腦脊液區(qū)域，并結合MRI成像參數計算此時腦脊液的體積；最后，結合腦出血不同階段家兔腦脊液體積的量化值，實現(xiàn)觀察家兔腦脊液隨著腦出血進程發(fā)展的變化。

2.1 家兔腦出血模型

家兔腦出血模型[25]采用自體血注入法[19]。首先用烏拉坦（25%，5 ml/kg）通過耳緣靜脈注射麻醉。其次用立體定位儀確定大腦內囊出血位置，沿頭骨中線做一個小的皮膚切口確定立體定位位置，以前鹵作為參考點，冠狀平面中軸線左右1 mm處即為內囊所在點。然后進行穿刺，穿刺點在矢狀縫右側6 mm，冠狀縫偏下1 mm的位置，使用直徑1 mm的鉆頭鉆入顱骨，埋置直徑0.7 mm的注射針插入約13 mm，而后用牙科水泥予以封閉確保顱腔保持密封狀態(tài)；再用家兔的自體動脈血緩緩注入到實驗組家兔的大腦中。最后將麻醉后的兔子固定于實驗板上，各時間點分別做可變反轉角快速自旋回波（sampling perfection with application optimized contrasts using different flip angle evolutions，SPACE）序列掃描，按照 3 ml/54 min的速度進行不間斷注血，同時進行整個頭顱掃描，掃描采用矢狀位和俯臥位進行分層掃描。

本研究中家兔腦出血MIPS監(jiān)測和MRI觀測實驗中所用家兔由陸軍軍醫(yī)大學實驗動物中心提供。所選家兔體質量（2.2±0.2）kg，顱徑偏差范圍±5%，實驗室溫度、濕度等環(huán)境條件嚴格控制。通過實驗，獲得了8只家兔的腦組織影像以及腦脊液量化分析結果。

2.2 MRI成像參數

家兔腦組織MRI成像在陸軍軍醫(yī)大學第一附屬醫(yī)院實現(xiàn)，實驗機器為西門子3.0T MRI掃描儀，線圈為18膝關節(jié)線圈，采用SPACE序列。SPACE序列是T2權重快速自旋回波序列，適合于獲得腦脊液與其他相鄰腦組織的清晰邊界。MRI掃描儀的參數設置：重復時間（repetition time，TR）1 300 ms，回波鏈長度（echo train length，ETL）49，回波時間（echo time，TE）44 ms，矩陣 320×275，視野（field of view，F(xiàn)OV）160mm×160mm，層數192，層厚0.5mm，層間距0 mm。

2.3 腦出血過程中腦脊液變化的量化觀測

圖4為其中一只家兔MRI影像矢狀方向第95幀圖像的手動分割結果和本文所用算法分割結果，2種分割結果的腦脊液分割區(qū)域和量化分析值都非常接近。在實驗中，依據手動分割結果對腦脊液體積進行量化分析，得到腦脊液體積約為1.18 ml；依據圖像自動分割算法和量化計算對腦脊液體積進行量化分析，得到腦脊液體積約為1.10 ml（顱外椎管中的腦脊液未計算）。手動分割和圖像自動分割算法的誤差約為6.8%。

圖4 家兔腦脊液量化計算實驗

圖5為第一只腦出血家兔針對腦脊液MRI成像后第95幀圖像。表1為從8只家兔中得到的腦脊液量化分析結果。圖6則顯示了以8只家兔平均值反映的腦脊液體積隨著出血量增加的變化趨勢。其中兔子4和兔子5相比其他兔子變化趨勢更緩慢，但隨著注血量增加腦脊液體積減小趨勢仍然存在?？赡茉蛴袃煞矫妫海?）個體差異，兔子4和兔子5身體比較健壯，代償能力強；（2）可能是由實驗造成的，注血管插入太深，血液進入基底節(jié)并彌散開來，引起測量腦脊液體積減小。

圖5 腦脊液觀測實驗結果

3 討論

家兔的動物模型在腦出血和腦缺血等大腦醫(yī)學研究中有非常廣泛的應用。在這些研究中，往往對動物模型中腦脊液的變化十分關注[26]。當前針對腦脊液的醫(yī)學影像分割方法主要集中在人腦，而對家兔腦脊液的分割提取還缺乏比較有效的方法。

本研究利用MRI成像和圖像處理算法對家兔腦脊液進行了量化分析。

本研究結合FCM和MRF建立了腦脊液分割算法。該算法通過FCM提取利用圖像中包含的灰度信息，通過MRF提取利用圖像中包含的像素間空間信息。在充分利用灰度和空間信息的基礎上，與預先建立的家兔腦脊液模板進行掩碼處理，實現(xiàn)了對腦脊液的準確自動分割。

為實現(xiàn)定量觀察和分析家兔腦出血過程中腦脊液的變化，以8只家兔腦出血模型為研究對象，以本文圖像分割算法為手段，結合MRI成像參數計算家兔在不同出血階段的腦脊液體積。在圖6實驗結果中，可以顯著觀察到腦脊液隨著家兔腦出血量的增加不斷減少，本文通過影像學手段觀察了腦脊液的代償過程，隨著顱內出血的增加，腦脊液主動減少分泌增加吸收，達到減少顱內腦脊液體積以維持正常顱內壓的目的；并且由圖6還可以看到，當家兔顱內出血2 ml后，腦脊液體積變化的曲線變得平坦，即腦脊液減少速率變慢，這正說明2 ml前腦脊液處于正常的代償階段，2 ml后腦脊液代償能力接近末期，大腦已經難以通過減少腦脊液體積維持顱內壓。

表1 8只腦出血家兔的腦脊液量化計算結果

圖6 腦脊液體積隨著出血量增加變化趨勢

4 結語

本文通過利用MRI對家兔腦出血模型在腦出血過程中腦脊液的變化進行了定量分析。首先結合FCM和MRF建立了MRI圖像分割方法，并結合掩碼處理實現(xiàn)對家兔腦脊液的準確分割；基于腦脊液分割結果，結合MRI成像參數實現(xiàn)對腦脊液的定量分析，得到了隨著腦出血的增加，家兔腦脊液的變化量化值，并觀察到腦出血時腦脊液是不斷減少的；通過定量實驗說明了腦脊液代償機制，為腦出血時顱內病生理變化研究提供了有效手段，為本課題組成功實現(xiàn)基于磁感應相移非接觸檢測家兔腦出血狀況提供了有力的數據支撐。